論文の概要: Network Topology Matters, But Not Always: Mobility Networks in Epidemic Forecasting

• arxiv url: http://arxiv.org/abs/2510.20025v1
• Date: Wed, 22 Oct 2025 20:56:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:16.837903
• Title: Network Topology Matters, But Not Always: Mobility Networks in Epidemic Forecasting
• Title（参考訳）: ネットワークトポロジは重要だが、常にではない - エピデミック予測におけるモビリティネットワーク
• Authors: Sepehr Ilami, Qingtao Cao, Babak Heydari,
• Abstract要約: マサチューセッツの都市を調査し、匿名化されたスマートフォンのトレースから週に1度指向のモビリティネットワークを構築しました。 我々は、マクロレベルのインシデントのみを使用するモデル、モビリティネットワーク機能を追加するモデル、町レベルの最近の事例を含む自己回帰(AR)モデルを比較する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Short-horizon epidemic forecasts guide near-term staffing, testing, and messaging. Mobility data are now routinely used to improve such forecasts, yet work diverges on whether the volume of mobility or the structure of mobility networks carries the most predictive signal. We study Massachusetts towns (April 2020-April 2021), build a weekly directed mobility network from anonymized smartphone traces, derive dynamic topology measures, and evaluate their out-of-sample value for one-week-ahead COVID-19 forecasts. We compare models that use only macro-level incidence, models that add mobility network features and their interactions with macro incidence, and autoregressive (AR) models that include town-level recent cases. Two results emerge. First, when granular town-level case histories are unavailable, network information (especially interactions between macro incidence and a town's network position) yields large out-of-sample gains (Predict-R2 rising from 0.60 to 0.83-0.89). Second, when town-level case histories are available, AR models capture most short-horizon predictability; adding network features provides only minimal incremental lift (about +0.5 percentage points). Gains from network information are largest during epidemic waves and rising phases, when connectivity and incidence change rapidly. Agent-based simulations reproduce these patterns under controlled dynamics, and a simple analytical decomposition clarifies why network interactions explain a large share of cross-sectional variance when only macro-level counts are available, but much less once recent town-level case histories are included. Together, the results offer a practical decision rule: compute network metrics (and interactions) when local case histories are coarse or delayed; rely primarily on AR baselines when granular cases are timely, using network signals mainly for diagnostic targeting.
• Abstract（参考訳）: 短期ホライゾン流行の予測は、短期雇用、検査、メッセージングを導く。 モビリティデータは現在、このような予測を改善するために日常的に使用されているが、モビリティのボリュームやモビリティネットワークの構造が最も予測的な信号を持っているかどうかについては、作業が多様化している。 マサチューセッツ州の都市(2020年4月から2021年4月まで)を調査し、匿名化されたスマートフォンのトレースから毎週の移動ネットワークを構築し、ダイナミックトポロジの指標を導出し、1週間の新型コロナウイルス(COVID-19)の予測に対するアウト・オブ・サンプルの価値を評価します。 我々は、マクロレベルのインシデントのみを使用するモデルと、モビリティネットワークの特徴とマクロレベルのインシデントとの相互作用を付加するモデルと、都市レベルの最近の事例を含む自己回帰(AR)モデルを比較した。 2つの結果が現れる。 第一に、粒度のタウンレベルのケース履歴が入手できない場合、ネットワーク情報(特にマクロインシデントと町のネットワーク位置の相互作用)は大きなアウト・オブ・サンプルゲインをもたらす(予測-R2は0.60から0.83-0.89まで上昇する)。 第二に、町レベルのケースヒストリーが利用可能である場合、ARモデルは、ほとんどの短水平予測可能性を捉え、ネットワーク機能を追加することで、最小限のインクリメンタルリフト(約0.5ポイント)しか得られない。 ネットワーク情報からの利得は、インターネット接続やインシデントが急速に変化するとき、流行波や上昇フェーズにおいて最大である。 エージェントベースシミュレーションはこれらのパターンを制御力学下で再現し、単純な解析分解により、マクロレベルの数しか得られない場合、ネットワーク相互作用が断面積のばらつきの大部分を説明できるが、最近の都市レベルのケースヒストリーは含まれていない。 ローカルケース履歴が粗い場合や遅延の場合、ネットワークメトリクス(とインタラクション)を計算し、粒度の細かいケースがタイムリーな場合、主にARベースラインに依存し、主にターゲティングの診断にネットワーク信号を使用する。

関連論文リスト

• Leveraging graph neural networks and mobility data for COVID-19 forecasting [37.9506001142702]
  新型コロナウイルス(COVID-19)のパンデミックはこれまでに700万人以上の犠牲者を出した。 移動データと機械学習を組み合わせた時空間モデルが病気予測に注目を集めている。 ここでは、GCRN(Graph Convolutional Recurrent Network)とGTM(Graph Convolutional Long ShortTerm Memory)について検討する。 目標は、人間の移動ネットワークを活用して、ブラジルと中国の新型コロナウイルス感染者の将来の価値を予測することである。
  論文  参考訳（メタデータ） (2025-01-20T19:52:31Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Multi-Scale Convolutional LSTM with Transfer Learning for Anomaly Detection in Cellular Networks [1.1432909951914676]
  本研究では,トランスファーラーニング(TL)を用いたマルチスケール畳み込みLSTMによるセルネットワークの異常検出手法を提案する。 モデルは最初、公開データセットを使用してスクラッチからトレーニングされ、典型的なネットワーク動作を学習する。 我々は,スクラッチから訓練したモデルの性能と,TLを用いた微調整モデルの性能を比較した。
  論文  参考訳（メタデータ） (2024-09-30T17:51:54Z)
• SGRU: A High-Performance Structured Gated Recurrent Unit for Traffic Flow Prediction [11.918007808289463]
  本稿では、構造化GRU層と非線形ユニットを含む構造化Gated Recurrent Unitsと、モデルの適合性を向上させるために複数の時間層を埋め込んだSGRUを提案する。 我々は,カリフォルニアの4つの公共交通データセット(PeMS03,PeMS04,PeMS07,PeMS08)を回帰予測として評価した。
  論文  参考訳（メタデータ） (2024-04-18T02:15:40Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)
• Outdoor Position Recovery from HeterogeneousTelco Cellular Data [13.138193917880999]
  本研究では,マルチタスク学習に基づく深層ニューラルネットワーク(DNN)フレームワーク,すなわちPRNet+を提案する。 上海の3つの代表的な地域で収集された8つのデータセットの大規模な評価は、PRNet+が最先端のデータを著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2021-08-24T10:02:32Z)
• Prequential MDL for Causal Structure Learning with Neural Networks [9.669269791955012]
  ベイジアンネットワークの実用的スコアリング関数を導出するために,事前最小記述長の原理が利用できることを示す。 我々は、調整しなければならない事前やその他の正規化子を誘導するスパーシリティに頼ることなく、可塑性および擬似グラフ構造を得る。 本研究は, 適応速度から因果構造を推定する最近の研究と, 分布変化の源泉から観測結果が得られた場合の因果構造との関係について考察する。
  論文  参考訳（メタデータ） (2021-07-02T22:35:21Z)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。